[发明专利]基于自适应粒子群算法的塑料片材机能耗优化方法

权利要求书

1.基于自适应粒子群算法的塑料片材机能耗优化方法，其特征是，包括以下步骤：

步骤1、采集塑料片材机生产过程中的运行参数数据和运行特征数据，建立实时数据库，所述运行参数数据包括：螺杆电机频率γ、电流大小l、进料速度v_i、出产品速度v₀、进料温度T_i、出产品温度T₀、生产材料热特性参数τ，所述运行特征数据包括：加热速度v_k、能耗E；

步骤2、采用多输出的广义回归神经网络建模，建立加热速度v_k、能耗E与螺杆电机频率γ、电流大小l、进料速度v_i、出产品速度v₀、进料温度T_i、出产品温度T₀、生产材料热特性参数τ间的模型；具体建模方法如下：

用于建模样本的输入参数及输出参数表示为其中x_i表示第i组作为输入数据的塑料片材机运行参数向量{γ，l，ν_i，ν₀，T_i，T₀，τ}；y_i表示第i组作为输出参数向量的塑料片材机运行特征向量{v_k，E}；N为样本数量，以实际运行数据为基础建立塑料片材机运行参数及运行特征间的模型；

采用多输出的广义回归神经网络建模，对于n个隐节点的3层广义回归神经网络采用径向基影射函数，其输出向量为：ω_i为权重系数向量、x为m维输入向量、c_i为第i个基函数的中心向量、ρ_i为函数的基宽度参数向量；采用粒子群优化算法迭代训练广义回归神经网络，定义初始群体Z向量的各维分量，分别为：隐节点个数、径向基函数的参数向量c_i、ρ_i和权重系数向量ω_i，目标函数为：$\min K=\underset{i-1}{\overset{N}{\mathrm{\Σ}}}{({\tilde{y}}_{i1}-y_{i1})}^2+{({\tilde{y}}_{i2}-y_{i2})}^2,$其中和分别为第i个样本输出向量的第一个分量和第二个分量的多输出广义回归神经网络模型预测值，y_i1和y_i2分别为第i个样本输出向量的第一个分量和第二个分量的实际值；当K达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、径向基函数的参数向量和权重系数向量，从而获得多输出广义回归神经网络模型；

步骤3、利用自适应粒子群优化算法结合步骤2所建模型，针对不同的生产工艺要求进行各运行参数配置的优化，具体步骤如下：

a.定义粒子群位置向量x_i的各维分量分别为：γ，l，ν_i，ν₀，T_i，T₀，τ；i＝1,2,...,NP,NP是粒子个数；

b.设定粒子群的搜索目标和迭代次数；

c.根据实际塑料片材机的设计和运行要求设定各可调运行参数的寻优范围；初始化位置向量x_i＝{γ,l,v_i,v₀,T_i,T₀,τ}，然后根据上一步设定的搜索目标，用粒子群算法按照公式(1)和公式(2)进行迭代运算，搜索粒子群在参数向量空间内的最优位置；同时，按照公式(3)根据当前群体的多样性，自适应的调整惯性权重w_i；

V_i(t+1)＝w_iV_i(t)+c₁r₁(P_i(t)-x_i(t))+c₂r₂(P_g(t)-x_i(t)) (1)

x_i(t+1)＝x_i(t)+V_i(t+1) (2)

$w_i=w_{\min }+(w_{\max }-w_{\min })\frac{{\mathrm{Rank}}_i}{\mathrm{NP}}---\left(3\right)$

其中，V_i是第i个粒子的速度，t是迭代次数，P_i是第i个粒子的历史最优位置，P_g是群体最优位置，c₁＝c₂＝2，r₁和r₂是(0,1)上均匀分布的随机数，Rank_i是第i个粒子按照能耗值E排序的名次，w_max和w_min分别定义为0.9和0.4；

d.当粒子群算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的各可调运行参数组合，实现了塑料片材机的能耗优化。

2.如权利要求1所述的基于自适应粒子群算法的塑料片材机能耗优化方法，其特征是，步骤3中设定粒子群的搜索目标根据实际生产状况确定，为复合目标或单一目标，所述复合目标包括：在不低于给定的出产品速度和出产品温度的约束下，实现最优的经济折中方案；所述单一目标为能耗最低。